পরিবর্তন স্কোরগুলিতে স্বতন্ত্র ভেরিয়েবলের প্রভাব পরীক্ষা করার সময় একটি বেসলাইন পরিমাপটিকে নিয়ন্ত্রণ পরিবর্তনশীল হিসাবে অন্তর্ভুক্ত করা বৈধ?

38

আমি একটি ওএলএস রিগ্রেশন চালানোর চেষ্টা করছি:

ডিভি: এক বছরেরও বেশি সময় ওজনে পরিবর্তন (প্রাথমিক ওজন - শেষ ওজন)
চতুর্থ: আপনি অনুশীলন করুন বা না করুন।

যাইহোক, এটি যুক্তিসঙ্গত বলে মনে হয় যে ভারী লোকেরা পাতলা মানুষের চেয়ে ব্যায়ামের প্রতি ইউনিট বেশি ওজন হারাবে। সুতরাং, আমি একটি নিয়ন্ত্রণ পরিবর্তনশীল অন্তর্ভুক্ত করতে চেয়েছিলেন:

সিভি: প্রাথমিক শুরু ওজন।

তবে, এখন প্রাথমিক ওজন নির্ভরশীল ভেরিয়েবল এবং নিয়ন্ত্রণ ভেরিয়েবল হিসাবে গণনা করতে উভয়ই ব্যবহৃত হয়।

এটা ঠিক আছে? এটি কী ওএলএসের অনুমান লঙ্ঘন করে?

— ChrisStata
সূত্র

4

চিকিত্সা এলোমেলোভাবে বরাদ্দ করা হয়েছিল?

— অ্যান্ডি ডব্লিউ

1

মনে রাখবেন যে অন্য খুব অনুরূপ সম্প্রতি জিজ্ঞাসা করা হয়েছিল, stats.stackexchange.com/q/15104/1036 । এই প্রশ্নের উত্তর এই প্রশ্নের ক্ষেত্রে প্রযোজ্য (আসলে, আমি বলব যে তারা নকল প্রশ্ন)।

— অ্যান্ডি ডব্লিউ

3

@ অ্যান্ডি প্রকৃতপক্ষে, দুটি প্রশ্নই যথেষ্ট আলাদা যে আমি অন্যটির চেয়ে যে উত্তর দিয়েছিলাম তার থেকে আলাদা করে উত্তর দেব answer চার্লি ইতিমধ্যে এখানে একটি দুর্দান্ত বিশ্লেষণ দিয়েছেন।

— হোবার

3

নোট করুন যে পার্থক্য স্কোরগুলি ব্যবহার করা নির্ভরযোগ্যতার যথেষ্ট পরিমাণে হ্রাসের সাথে যুক্ত, যদিও এটি কিছুটা বিতর্কিত হয়েছে

— বেহাকাদ

25

আপনার আক্ষরিক প্রশ্নের উত্তর দেওয়ার জন্য, "পরিবর্তনের স্কোরগুলিতে স্বতন্ত্র ভেরিয়েবলের প্রভাব পরীক্ষা করার সময় কোনও বেসলাইন পরিমাপকে নিয়ন্ত্রণের পরিবর্তনশীল হিসাবে অন্তর্ভুক্ত করা বৈধ?", উত্তরটি নেই । উত্তরটি হ'ল না, কারণ নির্মাণের মাধ্যমে বেসলাইন স্কোরটি ত্রুটি শর্তের সাথে সম্পর্কিত যখন পরিবর্তনের স্কোরটি নির্ভরশীল ভেরিয়েবল হিসাবে ব্যবহৃত হয়, সুতরাং পরিবর্তনের স্কোরের বেসলাইনটির আনুমানিক প্রভাবটি ব্যাখ্যা ছাড়াই।

ব্যবহার

প্রাথমিক ওজন হিসাবে $Y_1$
শেষ ওজন হিসাবে $Y_2$
ওজনের পরিবর্তন হিসাবে (যেমন ) $\Delta{Y}$ $\Delta{Y} = Y_2 - Y_1$
এলোমেলোভাবে নির্ধারিতচিকিত্সাহিসাবে , এবং $T$
ওজনকে প্রভাবিত করে এমন অন্যান্য বহিরাগত কারণ হিসাবে (যেমন অন্যান্য নিয়ন্ত্রণের পরিবর্তনশীল যা ফলাফলের সাথে সম্পর্কিত তবে এলোমেলোভাবে নিয়োগের কারণে চিকিত্সার সাথে সম্পর্কযুক্ত হওয়া উচিত) $X$

এক তারপর একটি মডেল regressing হয়েছে উপর এবং ; $\Delta{Y}$ $T$ $X$

Δ Y = β_{1} T + β_{2} X + e

$\Delta{Y} = \beta_1T + \beta_2X + e$

যা সংজ্ঞা অনুসারে সমান;

Y_{2} - Y_{1} = β_{1} T + β_{2} X + e

$Y_2 - Y_1 = \beta_1T + \beta_2X + e$

এখন, আপনি যদি বেসারলাইনটিকে কোভারিয়েট হিসাবে অন্তর্ভুক্ত করেন তবে একটি সমস্যা দেখা উচিত, সমীকরণের উভয় পাশে আপনার শব্দটি রয়েছে। এ থেকে জানা যায় কারণ তা না হয়, uninterpretable হয় মজ্জাগতভাবে ত্রুটি শব্দটি সঙ্গে সম্পর্কিত। $Y_1$ $\beta_3Y_1$

\begin{aligned} Y_{2} - Y_{1} & = β_{1} T + β_{2} X + β_{3} Y_{1} + e \\ Y_{2} & = β_{1} T + β_{2} X + β_{3} Y_{1} + (e + Y_{1}) \end{aligned}

$\begin{align*}Y_2 - Y_1 &= \beta_1T + \beta_2X + \beta_3Y_1 + e \\ Y_2 &= \beta_1T + \beta_2X + \beta_3Y_1 + (e + Y_1) \end{align*}$

এখন, বিভিন্ন উত্তর বিভ্রান্তির অংশ সত্য যে বিভিন্ন মডেলের জন্য অভিন্ন ফলাফল উত্পাদ থেকে ডাঁটা বলে মনে হয় চিকিত্সা প্রভাব , আমার উপরে তৈয়ার হবে। সুতরাং, যদি কেউ "লেভেল" ব্যবহার করে মডেলকে নির্ভরশীল পরিবর্তনশীল হিসাবে পরিবর্তনের স্কোরগুলি ব্যবহার করে মডেলটির জন্য চিকিত্সার প্রভাবের তুলনা করে (প্রতিটি মডেলের সাথে কোভারিট হিসাবে বেসলাইন সহ ) থাকে তবে চিকিত্সা প্রভাবের ব্যাখ্যাটি হবে একই. যে দুটি মডেল অনুসরণ করে একই রকম হবে এবং তাদের উপর ভিত্তি করে সূচনাগুলিও (ব্রুস ওয়েভারের কিছু এসপিএসএস কোডও রয়েছে যা সমতা দেখিয়েছিল)। $\beta_1T$ $Y_1$ $\beta_1T$

\begin{aligned} C h a n g e S c o r e M o d e l & : Y_{2} - Y_{1} = β_{1} T + β_{2} X + β_{3} Y_{1} + e \\ L e v e l s M o d e l & : Y_{2} = β_{1} T + β_{2} X + β_{3} Y_{1} + e \end{aligned}

$\begin{align*} Change\ Score\ Model&: Y_2 - Y_1 = \beta_1T + \beta_2X + \beta_3Y_1 + e \\ Levels\ Model&: Y_2 = \beta_1T + \beta_2X + \beta_3Y_1 + e \end{align*}$

সুতরাং কিছু তর্ক করবে (যেমন ফেলিক্সের এই থ্রেডে রয়েছে, এবং ব্রুস ওয়েভার যেমন এসপিএসএস গুগল গ্রুপে কিছু আলোচনা করেছেন) যেহেতু মডেলগুলি একই অনুমানযুক্ত চিকিত্সা প্রভাবের ফলে, আপনি কোনটি চয়ন করেন তা বিবেচ্য নয়। আমি দ্বিমত পোষণ করছি, কারণ পরিবর্তন স্কোর মডেলের বেসলাইনের কোভারিয়্যাট ব্যাখ্যা করা যায় না, আপনার কখনই বেসলাইনটিকে কোভারিয়েট হিসাবে অন্তর্ভুক্ত করা উচিত নয় (চিকিত্সার অনুমানের প্রভাব একই কিনা তা নির্বিশেষে)। সুতরাং এটি আরও একটি প্রশ্ন নিয়ে আসে, পরিবর্তিত স্কোরকে নির্ভরশীল ভেরিয়েবল হিসাবে ব্যবহার করার কী অর্থ? যেমনটি ফেলিক্স ইতিমধ্যে উল্লেখ করেছে, কোভারিয়েট হিসাবে বেসলাইন বাদে নির্ভরশীল পরিবর্তনশীল হিসাবে পরিবর্তন স্কোর ব্যবহার করে মডেলগুলি স্তরগুলি ব্যবহার করে মডেলের চেয়ে আলাদা। স্পষ্ট করার জন্য, পরবর্তী মডেলগুলি বিভিন্ন চিকিত্সার প্রভাব দেবে (বিশেষত চিকিত্সা বেসলাইনের সাথে সম্পর্কিত হয় এমন ক্ষেত্রে);

\begin{aligned} C h a n g e S c o r e M o d e l W i t h o u t B a s e l i n e & : Y_{2} - Y_{1} = β_{1} T + β_{2} X + e \\ L e v e l s M o d e l & : Y_{2} = β_{1} T + β_{2} X + β_{3} Y_{1} + e \end{aligned}

$\begin{align*} Change\ Score\ Model\ Without\ Baseline&: Y_2 - Y_1 = \beta_1T + \beta_2X + e \\ Levels\ Model&: Y_2 = \beta_1T + \beta_2X + \beta_3Y_1 + e \end{align*}$

এটি পূর্ববর্তী সাহিত্যে "লর্ডসের প্যারাডক্স" হিসাবে উল্লেখ করা হয়েছে। সুতরাং কোন মডেল সঠিক? ভাল, এলোমেলো পরীক্ষার ক্ষেত্রে, আমি বলব স্তরগুলি মডেল পছন্দনীয় (যদিও আপনি যদি এলোমেলোভাবে একটি ভাল কাজ করেন তবে মডেলগুলির মধ্যে গড় চিকিত্সার প্রভাবটি খুব কাছাকাছি হওয়া উচিত)। অন্যান্যরা স্তরের মডেলকে কেন পছন্দনীয় বলে উল্লেখ করেছে, চার্লির উত্তরটি একটি ভাল পয়েন্ট দেয় যে আপনি স্তরগুলির মডেলটিতে বেসলাইনটির সাথে ইন্টারঅ্যাকশন প্রভাবগুলি অনুমান করতে পারেন (তবে আপনি পরিবর্তন স্কোর মডেলটিতে পারেন না)। খুব অনুরূপ প্রশ্নের এই প্রতিক্রিয়াতে হুশহুড়ি দেখায় যে কীভাবে পরিবর্তনগুলি স্কোরগুলি বিভিন্ন চিকিত্সার মধ্যে পারস্পরিক সম্পর্ককে প্ররোচিত করে।

$X$ $X$ $X$ পেনশন বিশ্লেষণে নির্ভরশীল ভেরিয়েবল হিসাবে স্কোর পরিবর্তন করুন , এই একই উদাহরণ দেয় (এবং মূলত বিষয়টি সম্পর্কে আমার দৃষ্টিভঙ্গি প্রভাবিত করেছিল, তাই আমি এটি পড়ার জন্য অত্যন্ত পরামর্শ দিই)।

এটি এমনটি বলার অপেক্ষা রাখে না যে পরিবর্তনের স্কোরগুলি সর্বদা অ-র্যান্ডমাইজড সেটিংসে পছন্দসই। আপনি যদি বেসলাইনটি পরবর্তী ওজনের উপর প্রকৃত কার্যকারিতা প্রভাবিত করার প্রত্যাশা করেন তবে আপনার স্তরের মডেলটি ব্যবহার করা উচিত। আপনি যদি বেসলাইনটির কার্যকারণ প্রভাবের প্রত্যাশা করেন এবং চিকিত্সার মধ্যে নির্বাচনটি বেসলাইনটির সাথে সম্পর্কিত হয়, চিকিত্সার প্রভাবটি বেসলাইন প্রভাবের সাথে বিভ্রান্ত হয়।

চার্লির নোটটিকে আমি এড়িয়ে গেছি যে ওজনের লোগারিদম নির্ভরশীল পরিবর্তনশীল হিসাবে ব্যবহার করা যেতে পারে। যদিও আমি সন্দেহ করি না যে এটি একটি সম্ভাবনা হতে পারে তবে এটি প্রাথমিক প্রশ্নের কিছুটা অ-অনুক্রমিক । ভেরিয়েবলের লগারিদম (এবং যারা এখনও এই ক্ষেত্রে প্রযোজ্য) ব্যবহার করার উপযুক্ত হবে যখন অন্য একটি প্রশ্ন আলোচনা করেছে। এই বিষয়ে সম্ভবত পূর্বের সাহিত্য রয়েছে যা আপনাকে লগড ওজন ব্যবহার করাও উপযুক্ত কিনা তা আপনাকে গাইড করতে সহায়তা করবে।

তলব

অ্যালিসন, পল ডি 1990. রিগ্রেশন বিশ্লেষণে নির্ভরশীল পরিবর্তনশীল হিসাবে স্কোর পরিবর্তন করুন । সমাজতাত্ত্বিক পদ্ধতি 20: 93-114। সর্বজনীন পিডিএফ সংস্করণ ।

— অ্যান্ডি ডাব্লু
সূত্র

3

Y_{2} = β_{1} T + β_{2} X + β_{3} Y_{1} + (e + Y_{1})

$Y_2 = \beta_1T + \beta_2X + \beta_3Y_1 + (e + Y_1)$

Y_{1}

$Y_1$

e + Y_{1}

$e + Y_1$

Y_{1}

$Y_1$

(Y_{1}, Y_{2})

$(Y_1,Y_2)$

Y_{1}

$Y_1$

Y_{1}

$Y_1$

1

Y_{1}

$Y_1$

Y_{1}

$Y_1$

Y_{2}

$Y_2$

Y_{1}

$Y_1$

Y_{2}

$Y_2$

1

Y_{1}

$Y_{1}$

β_{1}

$\beta_{1}$

1

B_{1}

$B_{1}$

1

প্রতিক্রিয়া হিসাবে পরিমাপ, এবং একটি নির্দিষ্ট বেসলাইন মানের উপর কন্ডিশনার, এবং দ্বিতীয়ত যে আনকোয়া মডেল থেকে পয়েন্ট অনুমানের প্রকরণটি সবসময় নিঃশর্তের চেয়ে বড় বা সমান। এটি দেখা যাচ্ছে যে গ্রুপগুলির মধ্যে বেসলাইন গড় প্রতিক্রিয়াগুলি ছোট হওয়া নিশ্চিত করে র্যান্ডমাইজেশনের কারণে এই বৈকল্পিক পার্থক্যটি সাধারণত ছোট হবে। লেখকরা সিদ্ধান্ত নিয়েছেন যে শর্তহীন মডেলটি এলোমেলো পরিবর্তনশীল হিসাবে বেসলাইন মডেলিংয়ের জন্য উপযুক্ত তবে এএনসিওভিএ এটি যথাযথ হিসাবে দেখার জন্য যথাযথ।

— dandar

21

অ্যান্ডির উত্তরটি মনে হয় বিষয়গুলির বিষয়ে অর্থনীতিবিদদের দৃষ্টিভঙ্গি। এটি ক্লিনিকাল ট্রায়ালগুলিতে গ্রহণযোগ্য অনুশীলন হিসাবে প্রায়শই প্রতিক্রিয়া ভেরিয়েবলের বেসলাইন সংস্করণটি সামঞ্জস্য করতে, শক্তি বাড়ানোর জন্য। যেহেতু আমরা বেসলাইন ভেরিয়েবলগুলিতে শর্ত রেখেছি সামগ্রিক ত্রুটি শব্দটির সাথে তাদের বিভ্রান্ত করার জন্য কোনও 'ত্রুটি শব্দ' নেই। সমস্যাটি কেবল তখনই হবে যদি বেসলাইন কোভারিয়েটে পরিমাপের ত্রুটিগুলি অন্য কোনও এক্সের সাথে মিশ্রিত করা হয়, যা অন্য এক্স এর প্রভাবকে বিকৃত করে। সামগ্রিক পছন্দসই পদ্ধতিটি বেসলাইনটির জন্য সামঞ্জস্য করা এবং প্রতিক্রিয়ার পরিবর্তনশীলকে মডেল করা, পরিবর্তনের গণনা করা নয়। এর একটি কারণ হ'ল পরিবর্তনটি Y এর রূপান্তর সঠিকভাবে পাওয়ার উপর নির্ভর করে এবং এই পরিবর্তনটি সাধারণত রিগ্রেশন মডেলগুলিতে প্রযোজ্য না। যেমন Y যদি অর্ডিনাল হয় তবে দুটি অর্ডিনাল ভেরিয়েবলের মধ্যে পার্থক্য আর অর্ডিনাল হয় না।

— ফ্র্যাঙ্ক হ্যারেল
সূত্র

1

আমি এই উত্তরটি পুরোপুরি বুঝতে পারি না। "বেসলাইনের জন্য সামঞ্জস্য" বলতে আপনার অর্থ কী? পার্থক্য নিন, বা এটির জন্য নিয়ন্ত্রণ করুন?

— হেনরিক

3

'বেসলাইনের জন্য সামঞ্জস্য করুন' বলতে বোঝা গেল বেসোনালিকে কোভারিয়েট হিসাবে অন্তর্ভুক্ত করা। পরিবর্তনের স্কোরগুলি ব্যবহার করাও সাধারণ তবে আপনি কোভারিয়েট হিসাবে বেসলাইনের জন্য সামঞ্জস্য না করেও সেগুলি ব্যবহার করতে পারবেন না (সুতরাং পরিবর্তনের স্কোরগুলির সাথে কেন বিরক্ত করবেন?)।

— ফ্র্যাঙ্ক হ্যারেল

6

আসলে আপনি এখানে কিছু বলছেন না (বা ফেলিক্সের মন্তব্যের জবাবে) আমি যা বলি তার সাথে সরাসরি বিরোধ হয়। পরিবর্তনের স্কোরগুলি ব্যবহার করে 'বেসলাইনের জন্য সামঞ্জস্য' হয় না, এটি যে কোনও সময় আক্রমণকারী বাদ দেওয়া ভেরিয়েবলগুলির জন্য নিয়ন্ত্রণ করে (বা যদি চিকিত্সার মধ্যে নির্বাচনটি বেসলাইনের সাথে অত্যন্ত সংযুক্ত থাকে)। যদি বেসলাইন অ-অবহেলিত হয় (যেমন এটি ফলাফলের উপর সরাসরি কার্যকারিতা দেয় বা এটি চিকিত্সার সাথে ইন্টারঅ্যাকশন করে) পরিবর্তন স্কোরগুলি সমস্যার সমাধান করে না।

— অ্যান্ডি ডব্লিউ

2

@ ফ্র্যাঙ্ক হ্যারেল এই আলোচনায় যোগদান এবং এটি স্পষ্ট করার জন্য ধন্যবাদ। (+1)

— হেনরিক

8

আমরা @ ওক্রামের যুক্তিগুলিকে কিছুটা পরিবর্তন করতে পারি

\begin{aligned} E [w_{1} - w_{0} ∣ X, w_{0}] & = β_{0} + x β + w_{0} γ \\ E [w_{1} ∣ X, w_{0}] & = β_{0} + x β + w_{0} (γ + 1) \end{aligned}

$\begin{align*} \text{E}[w_1 - w_0 \mid X, w_0] &= \beta_0 + x \beta + w_0 \gamma \\ \text{E}[w_1 \mid X, w_0] &= \beta_0 + x \beta + w_0 (\gamma + 1) \end{align*}$

$x$ $w_0$ $w_0$

\begin{aligned} E [w_{1} - w_{0} ∣ X, w_{0}] & = β_{0} + (x * w_{0}) β + w_{0} γ . \end{aligned}

$\begin{align*} \text{E}[w_1 - w_0 \mid X, w_0] &= \beta_0 + (x * w_0) \beta + w_0 \gamma. \end{align*}$

\begin{aligned} \log (w_{1}) - \log (w_{0}) \approx r; \end{aligned}

$\begin{align*} \log (w_1) - \log (w_0) \approx r; \end{align*}$

r

$r$

x

$x$ এই ভবিষ্যদ্বাণীকারীরা ওজনে অনুপাত পরিবর্তনের সাথে কীভাবে সম্পর্কিত তা আপনাকে বলব। এটি প্রাথমিক ওজনের জন্য "নিয়ন্ত্রণ" করে বলে যে উদাহরণস্বরূপ, একটি অনুশীলন ব্যবস্থা যা ওজনকে 10% (100% দ্বারা গুণিত 0.1 এর গুণক) দ্বারা ওজন হ্রাস করে 13 পাউন্ড ওজন হ্রাস করে, যখন প্রোগ্রামটি হ্রাস করে 200 পাউন্ড দ্বারা 200 পাউন্ডের অংশগ্রহণকারীর ওজন। এই ক্ষেত্রে, আপনার ডান দিকে প্রাথমিক ওজন (বা এটির লগ) অন্তর্ভুক্ত করার দরকার নেই।

$w_0$ $w_0 \beta_1$ $\beta_1$

$\log (w_0)$ $\beta_1/w_0$

আপনি দেখতে পাচ্ছেন, ইন্টারঅ্যাকশন শর্তাদির ক্রস পার্টিয়ালগুলি ব্যাখ্যা করতে কিছুটা জটিল হয়ে উঠতে পারে তবে তারা আপনার আগ্রহী এমন প্রভাব ফেলতে পারে।

— রাতের পাহারাদার
সূত্র

হাই চার্লি, আমি অনুপাতের পরিবর্তন ব্যবহারের সুবিধা দেখতে পাচ্ছি, তবে কেন আপনি লগইন ভেরিয়েবলগুলিতে পার্থক্যটি কেবলমাত্র ডাব্লু 0 এর সাথে ডাব্লু 1 বিভক্ত করার বিপরীতে দেখতে পাচ্ছেন?

— ক্রিসটাটা

আমি আনুপাতিক পরিবর্তনের ধারণা পছন্দ করি। প্রত্যাশিত ইন্টারঅ্যাকশনটি আক্ষরিক অর্থে আনুপাতিক কিনা তা প্রশ্ন থেকেই যায়। যদি তা না হয় তবে আপনাকে প্রাথমিক ওজনকে কোভারিয়েট হিসাবে অন্তর্ভুক্ত করতে হবে। বা আপনি কি নিশ্চিত যে 100 বা 200 পাউন্ডের ব্যক্তির জন্য আপনার ওজনের 10% হ্রাস করা একই রকমের সমস্যা ??

— হেনরিক

@ ক্রিসটাটা, আপনিও তা করতে পারতেন। আমি একজন অর্থনীতিবিদ এবং আমরা আমাদের লগগুলি (এবং পৃথকভাবেও) পছন্দ করি। আপনার যদি প্রতিটি ব্যক্তির জন্য টাইম সিরিজ (অর্থাত্ একাধিক পর্যবেক্ষণ) থাকে (প্যানেল ডেটা সেট তৈরি করা) তবে আমি যুক্তি দিতে পারি যে আমার উপায়টি আরও ভাল তবে এটি এখানে প্রাসঙ্গিক নয়। হেনরিক, আপনি ঠিক বলেছেন; আমি আমার উত্তরে সে সম্পর্কে কিছুটা যুক্ত করেছি।

— চার্লি 1

8

সম্পাদনা: অ্যান্ডি ডাব্লু এর যুক্তি আমাকে মডেল সি ছাড়ার জন্য রাজি করিয়েছে আমি আরও একটি সম্ভাবনা যুক্ত করেছি: র্যান্ডম কোফিটি মডেলগুলি (ওরফে মাল্টিলেভেল মডেলস বা মিশ্রিত প্রভাব মডেলগুলি) দিয়ে পরিবর্তন বিশ্লেষণ করা

পার্থক্য স্কোর ব্যবহার সম্পর্কে অনেক বৈজ্ঞানিক বিতর্ক হয়েছে। আমার প্রিয় পাঠ্যগুলি হ'ল রোগোসা (1982, [1]) এবং ফিটজমৌরাইস, লেয়ার্ড এবং ওয়ার (2004, [2])

সাধারণভাবে, আপনার নিজের ডেটা বিশ্লেষণের তিনটি সম্ভাবনা রয়েছে:

ক) কেবল আন্তঃব্যক্তিক পার্থক্য স্কোর নিন (পরিবর্তনের স্কোর)
খ) পোস্ট পরিমাপকে ডিভি হিসাবে বিবেচনা করুন এবং এটি বেসলাইনের জন্য নিয়ন্ত্রণ করুন
গ) ডিভি হিসাবে পার্থক্য স্কোর নিন এবং এটি বেসলাইনের জন্য নিয়ন্ত্রণ করুন (এটি আপনার প্রস্তাবিত মডেল)। _{অ্যান্ডি ডাব্লুয়ের যুক্তির কারণে আমি এই বিকল্পটি বাদ দিয়েছি}
ডি) মাল্টিলেভেল / মিক্সড-এফেক্ট-মডেল পদ্ধতির ব্যবহার করে যেখানে প্রতিযোগী এবং অংশগ্রহণকারীদের জন্য রেগ্রেশন লাইন মডেল করা হয় তাকে স্তর -২ ইউনিট হিসাবে বিবেচনা করা হয়।

বেসলাইনটি পরিবর্তন স্কোরের সাথে সম্পর্কযুক্ত হলে মডেল এ এবং বি খুব আলাদা ফলাফল আনতে পারে (উদাহরণস্বরূপ, ভারী লোকের ওজন হ্রাস পায়), এবং / অথবা চিকিত্সা কার্যনির্বাহী বেসলাইনটির সাথে সম্পর্কিত হয়।

আপনি যদি এই বিষয়গুলি সম্পর্কে আরও জানতে চান তবে উদ্ধৃত কাগজপত্রগুলি দেখুন বা এখানে এবং এখানে ।

একটি সাম্প্রতিক সিমুলেশন অধ্যয়নও হয়েছে [3] যা অনুভূতভাবে A বা B এর অধীন অবস্থার তুলনা করে।

নিখোঁজ মানগুলির সাথে সম্পূর্ণ সুষম ডিজাইনের জন্য, মডেল ডি মডেল এ এর সমতুল্য হওয়া উচিত, তবে এটি আপনাকে ব্যক্তির পরিবর্তনশীলতার মধ্যে আরও তথ্য দেয়, এটি সহজেই আরও পরিমাপের পয়েন্টগুলিতে প্রসারিত হয় এবং ভারসাম্যহীন ডেটার উপস্থিতিতে এটির দুর্দান্ত বৈশিষ্ট্য রয়েছে এবং / বা অনুপস্থিত মানগুলি।

নীচের লাইন হিসাবে: আপনার ক্ষেত্রে, আমি বেসলাইন (মডেল বি) এর জন্য নিয়ন্ত্রিত পোস্ট-ব্যবস্থা বিশ্লেষণ করব।

[1] রোগোসা, ডি।, ব্র্যান্ডট, ডি, এবং জিমোস্কি, এম (1982)। পরিবর্তনের পরিমাপের জন্য একটি বৃদ্ধির বক্ররেখা approach মনস্তাত্ত্বিক বুলেটিন, 92, 726-748।

[2] ফিটজমৌরাইস, জিএম, লেয়ার্ড, এনএম, এবং ওয়ার, জেএইচ (2004)। প্রয়োগ দ্রাঘিমাংশ বিশ্লেষণ। হোবোকেন, এনজে: উইলি।

[3] পেটসচার, ওয়াই, এবং স্কাটস্নাইডার, সি।, 2011. সাধারণ পার্থক্য এবং কোভারিয়েন্সের পারফরম্যান্স সম্পর্কিত একটি সিমুলেশন স্টাডি Rand র্যান্ডমাইজড পরীক্ষামূলক ডিজাইনের অ্যাডজাস্টেড স্কোর। শিক্ষামূলক পরিমাপ জার্নাল, 48, 31-43।

— ফেলিক্স এস
সূত্র

আমি এই উত্তরটিকে অগ্রাহ্য করেছি, এবং কেন আমি বিশ্বাস করি কেন বেসিক হিসাবে কোভারিয়েট হিসাবে পরিবর্তন স্কোরগুলি করা উচিত নয় বলে আমি বিশ্বাস করি। এটি সংক্ষেপে বলা যায়, যদিও আপনার সূচনায় মডেল বি এবং সি সমতুল্য চিকিত্সার প্রভাব তৈরি করে, এর অর্থ এই নয় যে মডেল সি সবচেয়ে পছন্দসই। প্রকৃতপক্ষে, মডেল সিতে বেসলাইন প্রভাবটি ব্যাখ্যামূলক নয়, সুতরাং আমি যুক্তি দিয়েছি এটি ব্যবহার করা উচিত নয়।

— অ্যান্ডি ডব্লিউ

@ অ্যান্ডডাব্লু: আপনার যুক্তি আমাকে বিশ্বাস করেছে; যদিও চিকিত্সা প্রভাবের সবচেয়ে প্রাসঙ্গিক অনুমান উভয় মডেলের ক্ষেত্রে একই, মডেল বি মডেল সি এর চেয়ে বেশি পছন্দ করা উচিত ly আমি সেই অনুযায়ী আমার উত্তরটি সামঞ্জস্য করেছি। তবে আপনি কী বলবেন

Laird, N. (1983). Further Comparative Analyses of Pretest-Posttest Research Designs. The American Statistician, 37, 329-330.

?, কে বি এবং সি এর সমতা দেখায়?

— ফেলিক্স এস

\bar{b}

$\bar b$

\bar{b}

$\bar b$

মডেল ডি এর জন্য একটি পয়েন্ট আমি ভাবছি কেন কেবলমাত্র মডেল ডি বিবেচনা করবেন না এটি সর্বাধিক সামঞ্জস্যপূর্ণ (বেসলাইন মানটি একটি এলোমেলো পরিবর্তনশীল এবং এটি নির্ভরশীল পরিবর্তনশীলকে বাধ্য করা হয় না), এটি সহজ, খুব নমনীয় (মিথস্ক্রিয়া করতে পারে যোগ করা হবে) এবং জনসংখ্যার মানক বিচ্যুতিও সরবরাহ করে।

— জিওর্ডানো

3

ঠিক এই প্রশ্ন উপর জোশ Angrist দেখুন: http://www.mostlyharmlesseconometrics.com/2009/10/adding-lagged-dependent-vars-to-differenced-models/ । আপনার মডেলটিতে ডিগড ডিভি অন্তর্ভুক্ত করার বিরুদ্ধে তিনি মূলত নেমে আসছেন। তার প্রতিক্রিয়াতে এমন কিছুই নেই যা উপরের প্রতিক্রিয়াগুলিতে নয়, তবে আপনার প্রশ্নের আরও সংক্ষিপ্ত উত্তর সাহায্য করতে পারে।

— user697473
সূত্র

3

গ্লিমুর এট আল। (2005) পরিবর্তন স্কোর বিশ্লেষণ করার সময় বেসলাইন সামঞ্জস্য ব্যবহার করে সম্বোধন করা। যদি স্বাস্থ্যের স্থিতি পরিবর্তনের আগে বেসলাইন মূল্যায়ন বা নির্ভরশীল পরিবর্তনশীলটিতে বড় পরিমাপের ত্রুটি থাকে তবে তারা দেখতে পান যে নির্ভরশীল পরিবর্তনশীল হিসাবে পরিবর্তন স্কোর ব্যবহার করে যদি রিগ্রেশন মডেলটিতে একটি বেসলাইন কোভেরিয়েট অন্তর্ভুক্ত থাকে তবে একটি পক্ষপাত ঘটতে পারে। ফ্র্যাঙ্ক হ্যারেলের উত্তর "কেবলমাত্র সমস্যাটি যদি তখন হইবে যে বেসলাইন কোভেরিয়টে পরিমাপের ত্রুটিগুলি অন্য একটি এক্সের সাথে বিভ্রান্ত করা হয়, যা অন্য এক্স এর প্রভাবকে বিকৃত করে।" গ্লাইমর ঠিকানার মতো একই পক্ষপাতিত্বকে প্রতিফলিত করতে পারে।

গ্লিমুর (২০০৫) "পরিবর্তন বিশ্লেষণে বেসলাইন সমন্বয় কখন কার্যকর? শিক্ষা এবং জ্ঞানীয় পরিবর্তনের একটি উদাহরণ। আমেরিকান জার্নাল অফ এপিডেমিওলজি 162: 267-278

— ডেভিড সুইভেনসগার্ড
সূত্র

1

ওক্রাম সঠিক নয়। ওজন পার্থক্য নেই না একাউন্টে প্রাথমিক ওজন নিতে। বিশেষতঃ অন্তঃস্থ ওজন এক প্রকারের থেকে শেষ ওজনকে বিয়োগ করে নেওয়া হয়।

সুতরাং, আমি যুক্তি দিয়ে বলব যে আপনি যদি প্রাথমিক ওজন নিয়ন্ত্রণ করেন তবে এটি কোনও অনুমানকে লঙ্ঘন করে না।

(আপনি যদি বিএমআই এবং প্রাথমিক বিএমআইয়ের পার্থক্য নেন তবে একই যুক্তি প্রয়োগ হয় app)

অ্যান্ডি ডাব্লু এর সমালোচকের পরে আপডেট করুন কেন আমি সঠিক এবং ওক্রাম ভুল (অন্তত আমার বক্তব্য থেকে) আমি আরও ফর্মাল হতে পারি।

$a_w$
$i_w = a_w$ $e_w = a_w + \Delta_w$

$\Delta_w = i_w - e_w = a_w - a_w + \Delta_w = \Delta_w$

$a_w$

আপনি যদি এটি বিবেচনায় নিতে চান তবে আপনাকে এটিকে আলাদাভাবে আপনার মডেলটিতে অন্তর্ভুক্ত করতে হবে (একটি সাধারণ প্যারামিটার এবং / অথবা একটি ইন্টারঅ্যাকশন শব্দ হিসাবে)।

$\Delta_{BMJ}$ $e_w = a_w * prop_{\Delta w}$

— হেনরিক
সূত্র

যখন আমি বলেছিলাম যে পার্থক্যটি প্রাথমিক ওজনটিকে বিবেচনায় নিয়ে আসে, এটি আসলে আমি বোঝাতে চাইছিলাম। এখন, বিশেষভাবে, আপনি কি লিখবেন? চূড়ান্ত ওজন - প্রাথমিক ওজন = ...?

— ocram

আমি যেমন লিখেছি, আপনার যুক্তি আমার কাছে মিথ্যা বলে মনে হচ্ছে। আমি তর্ক করবে আসলে শেষ ওজন একাউন্টে আরো প্রাথমিক ওজন ধারণ করেছে এবং একই "স্কেল" চালু থাকে, তখন যেহেতু diffeence "rescaled" হয় (শেষ ওজন, অত: পর কিছু পরম মান anoher থেকে বিয়োগ করা হয় absoulte মান।

— হেনরিক

(-1) এটি সঠিক নয়। সাধারণভাবে, আপনার সমীকরণের ডান হাত এবং বাম হাত উভয় একই ভেরিয়েবলটি অন্তর্ভুক্ত করা উচিত নয় (কারণ এর ফলে স্বাধীন ভেরিয়েবল ত্রুটির শর্তের সাথে সম্পর্কযুক্ত হয়)। সুতরাং যদি আপনি নির্ভরশীল ভেরিয়েবলের জন্য পার্থক্যগুলি ব্যবহার করেন তবে আপনার বেসওয়্যারটি কোনও সমবায়ীয় হিসাবে অন্তর্ভুক্ত করা উচিত নয়।

— অ্যান্ডি ডব্লিউ

@ অ্যান্ডি ডাব্লু: আমি জানি যে আপনার যুক্তিটি মূলত সঠিক। তবে আমার যুক্তিটি হল যে আপনি পরম মানের (আখেরার সাথে তেমন মান বিয়োগ করে) আংশিকভাবে এর সাথে এই সম্পর্কটিকে দূর করে দেন। অতএব, এটিকে কোভারিয়েট হিসাবে যুক্ত করা এ জাতীয় ধরণের তীব্র ত্রুটির সাথে সম্পর্কিত হতে পারে না।

— হেনরিক

@ হেনরিক, এই প্রশ্নের আমার প্রতিক্রিয়া দেখুন এবং কেন আমি এখনও বিশ্বাস করি যে এই অনুভূতিটি বিপথগামী।

— অ্যান্ডি ডব্লিউ

0

তা পর্যবেক্ষণ করুন

$\underbrace{\textrm{end weight} - \textrm{initial weight}}_{Y} = \beta_{0} + \beta^{T}x$

সমতুল্য

$\textrm{end weight} = \textrm{initial weight} + \beta_{0} + \beta^{T}x$

কথায় কথায়, ডিভি হিসাবে ইতিমধ্যে ওজনে পরিবর্তন (শেষ ওজনের পরিবর্তে নিজেই পরিবর্তিত) ব্যবহার করা প্রাথমিক ওজনের জন্য দায়ী।

— ocram
সূত্র

1

তবে আমার ধারণা, প্রাথমিক ওজন এবং ওজন হ্রাস করার প্রশিক্ষণ দেওয়ার মধ্যে একটি ইন্টারঅ্যাকশন হতে পারে। আসুন আমরা বলি যে 1,90 মিটার উচ্চতা এবং 70 কেজি বডি ভর এবং 1,60 মিটার উচ্চতা এবং 90 কেজি দৈহিক ভরগুলির একজন প্রাপ্তবয়স্ক একই প্রশিক্ষণ অনুশীলনে অংশ নেয়। আমি বাজি ধরব যে উত্তরোত্তর আরও ওজন হ্রাস করে। দ্বিতীয় ভাবার বিষয়ে: সম্ভবত বডি মাস ইনডেক্স কেবল ওজনের চেয়ে ভাল সিভি।

— xmjx

1

@ এক্সএমজেএক্স: আপনি যদি ভাবেন যে প্রাথমিক ওজন চূড়ান্ত ওজনের উপর প্রভাব ফেলবে - এবং আপনি সম্ভবত সঠিক - তবে এখানে এটি করা হিসাবে এটি মডেলটিতে অফসেট হিসাবে পরিচয়

— করানো

3

সাধারণভাবে সঠিক নয়। যদি বেসলাইন ওজনের opeাল 1.0 না হয় তবে প্রাথমিক বিশদ ওজন উভয় মডেল না থাকলে এবং আপনি সাধারণ প্রতিরোধ ব্যবহার না করে পরিবর্তনের বিশ্লেষণ চূড়ান্ত ওজনের বিশ্লেষণের সমতুল্য হবে না। যদি বেসলাইন ওজন দুটি জায়গায় হয় তবে মডেলটি ব্যাখ্যা করা আসলে আরও বেশি কঠিন, সুতরাং এই পদ্ধতির সাথে অবিচল থাকার কারণগুলি অস্পষ্ট।

— ফ্র্যাঙ্ক হ্যারেল 20'11